2026年6月18日，北京大学地球与空间科学学院遥感与地理信息系统研究所崔要奎研究组在《科学进展》（Science Advances）发表题为“Transforming global water cycle observations via synergistic AI and remote sensing”的研究论文。该研究提出了一种基于Transformer的端到端人工智能水循环遥感大模型BERTH，首次实现从遥感观测直接反演蒸散发、降水、土壤水分和径流等水循环关键变量，时空分辨率可达30米逐日，突破了传统物理方法在多阶段反演中误差累积及粗分辨率瓶颈，为高精度全球水循环动态监测提供了新范式。

全球陆表水循环是维系地球系统运转的关键纽带，深刻影响粮食安全、水资源管理及防灾减灾等国家战略。然而，气候变化叠加人类活动引发的“水文气候鞭打效应”（极端干旱、暴雨、野火及高强度人为扰动），对水循环监测的时空精细度提出了严峻挑战。传统定量遥感依赖复杂的物理模型链条（反演、降尺度、重建及参数标定），不仅导致误差逐级累积，且因参数泛化能力受限，长期受困于30米分辨率瓶颈，难以精准捕捉水循环快速、非线性的演变规律，无法满足精细化应用需求。

受自然语言处理领域BERT模型的启发，研究组针对高分辨率卫星遥感时间序列受云污染与轨道周期制约而呈现的稀疏不连续性，提出了一种从“碎片化观测”中重建完整水循环语义的新范式，其与基于掩码的自然语言建模机制具有高度同构性。基于这一发现，研究组提出了BERTH模型，该模型以遥感反射率为输入，以传统物理模型产品为本底，以地面观测为目标构建而成。通过嵌入模块-转换模块-输出模块实现蒸散发、降水、土壤湿度和径流四大水循环关键变量的直接反演。

传统粗分辨率产品（≥500米）常混淆城市、农田与水体的真实信号。BERTH凭借30米高分辨率优势，在全球多场景中精准揭示了地表水热差异：清晰分辨了洛杉矶工业区与居住区蒸散发的显著不同；呈现了西伯利亚湿地的高值镶嵌格局；捕捉了亚马逊金矿开采导致的蒸散发衰减及梯度变化；还原了沙特灌溉农田的环状高值结构；识别了塔克拉玛干铁路防风林带的增湿效应；量化了澳大利亚火烧迹地的蒸散发衰减及其与隔火带的边界对比。

图1 地表蒸散发的高分辨率空间分布特征

BERTH模型还具备从日到年际尺度的水循环动态敏感性捕捉能力：在2022年欧洲特大干旱期间，模型精准刻画了降水和土壤湿度的持续异常及时空演化过程；在澳大利亚昆士兰州大火事件中，清晰记录了植被蒸散发在火后的急剧下降与缓慢恢复时间轨迹；在亚马逊Yanomami地区，模型有效识别了金矿开采引发的森林退化及其导致的蒸散发减弱与土壤湿度改变过程，揭示了高强度人类活动对热带雨林水循环过程的显著扰动。

图2 不同情景下地表水循环关键变量的时间变化特征

BERTH的提出标志着水循环遥感从传统的“低分辨率、单变量、多步骤物理模型监测”向“高分辨率、多变量、端到端AI直接监测”的范式转变。未来将进一步融合全天候微波遥感数据和红外数据，并在模型中显式嵌入水量平衡等物理约束，拓展对地下水等遥感观测薄弱变量的反演能力。

北京大学地空学院遥感所博士后姚照原为论文第一作者，崔要奎为论文唯一通讯作者。本研究得到国家自然科学基金委重点和面上两个项目的共同资助。